基于迁移学习的棉花识别

发布时间：2021-08-24 16:58

　　提高智能采棉机效率的一个重要途径是实现单个、重叠和遮挡棉花的识别,避免误采摘和漏采摘。针对不同形态棉花的识别,常规的特征提取方法难以达到令人满意的结果,因而采用基于迁移学习的棉花识别方法和基于迁移模型的特征提取与极限学习机（extreme learning machine,ELM）相结合的方法进行棉花识别研究。首先更改AlexNet、GoogleNet、ResNet-50模型分类层和设置相关参数,用训练好的迁移模型对棉花验证集识别,然后利用训练好的迁移模型进行棉花数据集特征提取,再用训练集的特征训练ELM模型,统计不同隐含层神经元个数的ELM模型对棉花的识别准确率。AlexNet、GoogleNet、ResNet-50迁移模型识别率依次为92.03%、93.19%、93.68%;使用特征提取再与ELM结合的方法,准确率比对应迁移模型分别提高了1.97、1.34、1.55百分点。结果表明,迁移模型对小样本棉花识别也有较高准确率,基于特征提取与ELM相结合的方法可进一步提高准确率。 

【文章来源】：浙江农业学报. 2020,32(08)北大核心CSCD

【文章页数】：9 页

【部分图文】：

迁移学习模型特征提取与分类器相结合的分类算法

卷积神经网络是一种前反馈神经网络,它的神经元可响应一部分覆盖范围内的周围单元。在图像处理方面,卷积神经网络不是对单个像素的处理,而是对每一块像素区域进行处理,增强模型的泛化性。依次在ILSVRC(Large Scale Visual Recognition Challenge)大赛中得冠的AlexNet、GoogLeNet、ResNet-50模型的基本架构相同,其架构如图1所示。其中卷积层具有提取图像局部特征的功能。组成卷积核的每个元素都对应一个权重系数和一个偏差量。上一层特征经过卷积操作后,再通过激活函数便可得到新一层的特征。每层卷积与激活过程如公式(1)所示:

ELM是由Huang等[31]提出来的求解单隐层神经网络的算法,由输入层、隐含层、输出层组成,层与层之间全连接,如图2所示。输入层通过映射矩阵w(l×n矩阵,输入层n个神经元,隐含层l个神经元,wij为输入层第i个神经元与隐含层第j个神经元的连接权值)与隐含层连接;隐含层通过映射矩阵β(l×m矩阵,输出层对应m个神经元,βjk为隐含层第j个神经元与输出层第k个神经元与的连接权值)与输出层连接。ELM只需要设置网络的隐层节点个数,在算法执行过程中随机赋值网络的连接权值以及隐元的偏置,并且产生唯一的最优解,具有学习速度快且泛化性能好的优点。隐含层与输出层的映射矩阵可以通过求解如下方程式可得:min β ‖ Ηβ- Τ ′ ‖ 。 (4)

【参考文献】：
期刊论文
[1]基于迁移学习的树种识别[J]. 高旋,赵亚凤,熊强,陈喆.  森林工程. 2019(05)
[2]机采棉中残地膜静电吸附法分级去除[J]. 王巧华,翁富炯,张洪洲,袁成,李理.  农业机械学报. 2019(06)
[3]基于深度学习和迁移学习的水果图像分类[J]. 廉小亲,成开元,安飒,吴叶兰,关文洋.  测控技术. 2019(06)
[4]基于迁移学习的番茄病虫害检测[J]. 柴帅,李壮举.  计算机工程与设计. 2019(06)
[5]基于迁移学习的番茄叶片病害图像分类[J]. 王艳玲,张宏立,刘庆飞,张亚烁.  中国农业大学学报. 2019(06)
[6]基于树木整体图像和集成迁移学习的树种识别[J]. 冯海林,胡明越,杨垠晖,夏凯.  农业机械学报. 2019(08)
[7]基于深度学习的农作物病害图像识别技术进展[J]. 王彦翔,张艳,杨成娅,孟庆龙,尚静.  浙江农业学报. 2019(04)
[8]基于深度学习的快速植物图像识别[J]. 张雪芹,陈嘉豪,诸葛晶晶,余丽君.  华东理工大学学报(自然科学版). 2018(06)
[9]基于迁移学习的类别级物体识别与检测研究与进展[J]. 张雪松,庄严,闫飞,王伟.  自动化学报. 2019(07)
[10]基于迁移学习的卷积神经网络植物叶片图像识别方法[J]. 郑一力,张露.  农业机械学报. 2018(S1)

硕士论文
[1]基于深度学习的红枣缺陷识别技术研究[D]. 海潮.郑州大学 2019
[2]基于深度学习的植物叶片识别方法研究[D]. 曹凤莲.重庆大学 2017



本文编号：3360375